详细内容或原文请订阅后点击阅览
一种新的方法论能否为我们提供关于人工智能工作颠覆的“头灯”？
关于人工智能发展方向的前瞻性数据并不是一种好奇。它为政策制定者提供了分析我们可能面临的问题的真正性质并立即开始规划的广度和深度。新方法论能否为我们提供有关人工智能工作颠覆的“头灯”？首先出现在美国企业研究所 - AEI 上。
来源:美国进取研究所信息Philip Moreira Tomei 和 Bouke Klein Teeselink 于 5 月初发布在 arXiv 上的一份新工作论文声称，如果正确的话，应该重新调整劳动力政策对话的方向。简而言之，作者认为，塑造当前大多数思维的人工智能暴露指数正在关注数字工作的不完整子集。他们确定当前语言模型已经可以加速哪些工作和任务，但他们错过了那些具有使它们适合以后自动化的功能的工作。
Tomei 和 Klein Teeselink 构建了一个新索引，对联邦 O*NET 数据库中的所有 17,951 条任务语句进行评分。作者提出了一种他们称之为“强化学习可行性”的衡量标准，该衡量标准询问一项任务是否具有结构特征（例如，可验证的结果、使用适合模拟的环境、离散决策/反馈循环），从而允许人工智能系统通过训练后方法对其进行训练，这些方法正在成为人工智能能力的主要驱动因素。然后，他们将自己的指数与 Eloundou 及其同事引用最多的现有衡量标准进行比较，该衡量标准着眼于是否可以利用当前技术实现任务自动化。
在 894 个职业中，这两个指数非常一致。然而，如果把 41% 的任务都需要身体来完成的话，它们的差别就很大。 Eloundou 指标强调了作家、律师、分析师、软件开发人员以及所有以文本为中心的知识工作的曝光度，其中大型语言模型有助于起草和分析。托梅和克莱因·提斯林克强调了不同的群体：铁路售票员、发电厂操作员、飞机货物装卸主管、天然气厂操作员。这种“监视和控制”的工作并不包含大量的文本，而是具有强化学习训练所需的结构特征。仅使用 Eloudou 分类法，这些工作就被认为是与人工智能隔离的。